بهینهسازی زمان پاسخ در شبکههای اینترنت اشیای نرمافزارمحور با استفاده از محاسبات مه- ابر
محورهای موضوعی : مهندسی برق و کامپیوتر
1 - گروه مهندسی کامپیوتر، دانشگاه بجنورد، بجنورد، ايران،
کلید واژه: اینترنت اشیا, خانه هوشمند, شبکههای نرمافزارمحور, محاسبات ابر, محاسبات مه, نظریه صف.,
چکیده مقاله :
اینترنت اشیا از ابر برای پردازش اطلاعات رسیده از وسایل الکترونیکی استفاده می‌کند. سرورهای قدرتمند و دور از حسگرها، پردازش را انجام می‌دهند. وسایل اینترنت اشیا درخواست‌ها را به ابر ارسال کرده و نتایج را از آن دریافت می‌کنند. در بعضی از کاربردهای اینترنت اشیا، زمان پاسخ و تأخیر مهم می‌باشد؛ بنابراین باید هرچه بیشتر زمان تأخیر را کاهش داد. ارسال اطلاعات به ابر، خود مستلزم ایجاد تأخیر می‌باشد؛ لذا استفاده از مه در کنار ابر در اینترنت اشیا نقش اساسی را ایفا می‌کند.
استفاده از مه و رایانش ابری در زمینه اینترنت اشیا، موضوع قابل توجه برای پژوهشگران می‌باشد. برای تسهیل این فرایند، شبکههای نرمافزارمحور به عنوان یک جزء حیاتی ظاهر شده‌اند. این شبکهها امکان کنترل و مدیریت متمرکز شبکه را فراهم می‌کنند. همچنین با هدایت پویای جریان‌های داده به منابع مه یا ابر بر اساس شرایط زمان واقعی، استفاده بهینه از منابع و اتصال یکپارچه را تضمین می‌کنند. محاسبات مه به استقرار منابع در نزدیکی حسگر شبکه اشاره دارد. با انجام این کار، محاسبات مه با هدف کاهش تأخیر و استفاده از پهنای باند در حالی که عملکرد کلی سیستم را بهبود می‌بخشد، می‌پردازد. این کار را با استفاده از قابلیت‌های محاسباتی محلی برای پردازش داده‌ها انجام می‌دهد.
این پژوهش با استفاده از معماری پیشنهادی برای شبکههای اینترنت اشیا و مدل‌سازی قسمت‌های مختلف این معماری با استفاده از نظریه صف، زمان پاسخ را توسط محاسبات مه- ابر کاهش داده و پارامترهای کیفیت سرویس شبکه را توسط آنالیز ریاضی به دست می‌آورد. در ادامه نیز نمودارهای مقایسه انرژی باقیمانده و تأخیر برای کاربردهای سلامتی و روشنایی و همچنین نمودارهای مقایسه‌ای استفاده و عدم استفاده از محاسبات مه- ابر رسم شده است. نمودارها نشان می‌دهند که استفاده از محاسبات مه- ابر، زمان پاسخ را کاهش می‌دهد و کاربرد روشنایی با استفاده از مه، انرژی باقیمانده بیشتر و کاربرد سلامتی، تأخیر کمتر دارد. شبیه‌سازی با استفاده از نرم‌افزار 2NS در کاربرد خانه هوشمند انجام شده است.
The Internet of Things uses the cloud to process information received from electronic devices. Powerful servers located far from the sensors perform the processing. IoT devices send requests to the cloud and receive results from it. In some IoT applications, response time and latency are important. Therefore, latency should be reduced as much as possible. Sending information to the cloud itself entails latency. Therefore, the use of fog along with the cloud plays a fundamental role in the IoT. The use of fog and cloud computing in the field of IoT is a significant topic for researchers. To facilitate this process, software-defined networks have emerged as a vital component. These networks enable centralized control and management of the network. They also ensure optimal resource utilization and seamless connectivity by dynamically directing data flows to fog or cloud resources based on real-time conditions. Fog computing refers to the deployment of resources near the network sensor. By doing so, fog computing aims to reduce latency and bandwidth usage while improving overall system performance. It does this by utilizing local computing capabilities to process data. This research uses the proposed architecture for IoT networks and modeling different parts of this architecture using queuing theory to reduce response time using fog-cloud computing and obtain network quality of service parameters through mathematical analysis. In the following, the residual energy and latency comparison graphs for health and lighting applications as well as the use and non-use of fog-cloud computing are plotted. The graphs show that the use of fog-cloud computing reduces response time and the lighting application using fog has more residual energy and the health application has less latency. The simulation was performed using NS2 software in the smart home application.
[1] M. R. Rezaee, N. A. W. Abdul Hamid, M. Hussin, and Z. A. Zukarnain, "Fog offloading and task management in IoT-fog-cloud environment: review of algorithms, networks, and SDN application," IEEE Access, vol. 12, pp. 39058-39080, 2024.
[2] A. Khakimov, et al., "IoT-fog based system structure with SDN enabled," in Proc. of the 2nd In. Conf. on Future Networks and Distributed Systems, ArticleID: 62, 6 pp., Jun. 2018.
[3] R. Mahmud, R. Kotagiri, and R. Buyya, "Fog computing: a taxonomy, survey and future directions," In: Di Martino, B., Li, KC., Yang, L., Esposito, A. (eds) Internet of Everything Springer, Singapore, pp. 103-130, 2018.
[4] H. R. Arkian, A. Diyanat, and A. Pourkhalili, "MIST: fog-based data analytics scheme with cost-efficient resource provisioning for IoT crowdsensing applications," J. Netw. Comput. Appl., vol. 82, pp. 152-165, 15 Mar. 2017.
[5] V. Kumar, A. Laghari, S. Karim, M. Shakir, and A. A. Brohi, "Comparison of fog computing & cloud computing," Int. J. Math. Sci. Comput., vol. 5, no. 1, pp. 31-41, Jan. 2019.
[6] G. Javadzadeh and A. M. Rahmani, "Fog computing applications in smart cities: a systematic survey," Wireless Networks, vol. 26, no. 2, pp. 1433-1457, Feb. 2020.
[7] A. Mubarakali, et al., "Fog-based delay-sensitive data transmission algorithm for data forwarding and storage in cloud environment for multimedia applications," Big Data, vol. 11, no. 2, pp. 128-136, Apr. 2020.
[8] B. Ali, M. A. Pasha, S. ul Islam, H. Song, and R. Buyya, "A volunteer supported fog computing environment for delay-sensitive IoT applications," IEEE Internet Things J., vol. 8, no. 5, pp. 3822-3830, Sept. 2020.
[9] H. Shah-Mansouri and V. W. S. Wong, "Hierarchical fog-cloud computing for IoT systems: a computation offloading game," IEEE Internet Things J., vol. 5, no. 4, pp. 3246-3257, May 2018.
[10] Y. Wang, et al., "Cooperative task offloading in three-tier mobile computing networks: an ADMM framework," IEEE Trans. on Vehicular Technology, vol. 68, no. 3, pp. 2763-2776, Mar. 2019.
[11] X. Li, et al., "Optimizing resources allocation for fog computing-based Internet of Things networks," IEEE Access, vol. 7, pp. 64907-64922, 2019.
[12] E. Barros, et al., "Fog computing model to orchestrate the consumption and production of energy in microgrids," Sensors, vol. 19, no. 11, Article ID: 2642, Jun. 2019.
[13] F. Karatas and I. Korpeoglu, "Fog-based data distribution service (F-DAD) for internet of things (IoT) applications," Future Generation Computer Systems, vol. 93, pp. 156-169, Apr. 2019.
[14] T. Nguyen, L. Le, and Q. Le-Trung, "Computation offloading in MIMO based mobile edge computing systems under perfect and imperfect CSI estimation," IEEE Trans. on Services Computing, vol. 14, no. 6, pp. 2011-2025, Jan. 2019.
[15] Q. Wang and S. Chen, "Latency‐minimum offloading decision and resource allocation for fog‐enabled Internet of Things networks," Trans. on Emerging Telecommunications Technologies, vol. 31, no. 12, Article ID: 3880, Dec. 2020.
[16] J. Zhou, X. Zhang, and W. Wang, "Joint resource allocation and user association for heterogeneous services in multi-access edge computing networks," IEEE Access, vol. 7, pp. 12272-12282, 2019.
[17] M. Faraji Mehmandar, S. Jabbehdari, and H. Haj Seyyed Javadi, "A dynamic fog service provisioning approach for IoT applications," International J. of Communication Systems, vol. 33, no. 14, Article ID: e4541, Jul. 2020.
[18] A. Kishor and C. Chakarbarty, "Task offloading in fog computing for using smart ant colony optimization," Wireless Personal Communications, vol. 127, no. 2, pp. 1683-1704, Nov. 2022.
[19] W. Bai, et al., "Joint optimization of computation offloading, data compression, energy harvesting, and application scenarios in fog computing," IEEE Access, vol. 9, pp. 45462-45473, 2021.
[20] A. R. Hameed, S. Islam, I. Ahmad, and K. Munir, "Energy-and performance-aware load-balancing in vehicular fog computing," Sustainable Computing: Informatics and Systems, vol. 30, Article ID: 100454, Jun. 2020.
[21] R. Qun and S. M. Arefzadeh, "A new energy‐aware method for load balance managing in the fog based vehicular ad hoc networks (VANET) using a hybrid optimization algorithm," IET Communications, vol. 15, no. 13, pp. 1665-1676, Aug. 2021.
[22] S. Azizi, et al., "Deadline-aware and energy-efficient IoT task scheduling in fog computing systems: a semi-greedy approach," J. of Network and Computer Applications, vol. 201, Article ID: 103333, May 2022.
[23] M. Anoushee, M. Fartash, and J. Akbari Torkestani, "An intelligent resource management method in SDN based fog computing using reinforcement learning," Computing, vol. 106, no. 4, pp. 1051-1080, Apr. 2024.
[24] P. Linh-An, N. Duc-Thang, L. Meonghun, D. Park, and T. Kim, "Dynamic fog-to-fog offloading in SDN-based fog computing systems," Future Generation Computer Systems, vol. 117, pp. 486-497, Apr. 2021.
[25] W. R. Heinzelman, A. Chandrakasan, and H. Balakrishnan, "Energy-efficient communication protocol for wireless microsensor networks," in Proc. of the 33rd Annual Hawaii Int. Conf. on System Sciences, vol. 2, 10 pp., Maui, HI, USA, 7-7 Jan. 2000.
نشریه مهندسی برق و مهندسی کامپیوتر ایران، ب- مهندسی کامپیوتر، سال 23، شماره 1، بهار 1404 41
مقاله پژوهشی
بهینهسازی زمان پاسخ در شبکههای اینترنت اشیای نرمافزارمحور
با استفاده از محاسبات مه- ابر
الهام حاجیان
چکیده: اینترنت اشیا از ابر برای پردازش اطلاعات رسیده از وسایل الکترونیکی استفاده می‌کند. سرورهای قدرتمند و دور از حسگرها، پردازش را انجام می‌دهند. وسایل اینترنت اشیا درخواست‌ها را به ابر ارسال کرده و نتایج را از آن دریافت می‌کنند. در بعضی از کاربردهای اینترنت اشیا، زمان پاسخ و تأخیر مهم می‌باشد؛ بنابراین باید هرچه بیشتر زمان تأخیر را کاهش داد. ارسال اطلاعات به ابر، خود مستلزم ایجاد تأخیر می‌باشد؛ لذا استفاده از مه در کنار ابر در اینترنت اشیا نقش اساسی را ایفا می‌کند.
استفاده از مه و رایانش ابری در زمینه اینترنت اشیا، موضوع قابل توجه برای پژوهشگران می‌باشد. برای تسهیل این فرایند، شبکههای نرمافزارمحور به عنوان یک جزء حیاتی ظاهر شده‌اند. این شبکهها امکان کنترل و مدیریت متمرکز شبکه را فراهم می‌کنند. همچنین با هدایت پویای جریان‌های داده به منابع مه یا ابر بر اساس شرایط زمان واقعی، استفاده بهینه از منابع و اتصال یکپارچه را تضمین می‌کنند. محاسبات مه به استقرار منابع در نزدیکی حسگر شبکه اشاره دارد. با انجام این کار، محاسبات مه با هدف کاهش تأخیر و استفاده از پهنای باند در حالی که عملکرد کلی سیستم را بهبود می‌بخشد، می‌پردازد. این کار را با استفاده از قابلیت‌های محاسباتی محلی برای پردازش داده‌ها انجام می‌دهد.
این پژوهش با استفاده از معماری پیشنهادی برای شبکههای اینترنت اشیا و مدل‌سازی قسمت‌های مختلف این معماری با استفاده از نظریه صف، زمان پاسخ را توسط محاسبات مه- ابر کاهش داده و پارامترهای کیفیت سرویس شبکه را توسط آنالیز ریاضی به دست می‌آورد. در ادامه نیز نمودارهای مقایسه انرژی باقیمانده و تأخیر برای کاربردهای سلامتی و روشنایی و همچنین نمودارهای مقایسه‌ای استفاده و عدم استفاده از محاسبات مه- ابر رسم شده است. نمودارها نشان می‌دهند که استفاده از محاسبات مه- ابر، زمان پاسخ را کاهش می‌دهد و کاربرد روشنایی با استفاده از مه، انرژی باقیمانده بیشتر و کاربرد سلامتی، تأخیر کمتر دارد. شبیه‌سازی با استفاده از نرم‌افزار 2NS در کاربرد خانه هوشمند انجام شده است.
کلیدواژه: اینترنت اشیا، خانه هوشمند، شبکههای نرمافزارمحور، محاسبات ابر، محاسبات مه، نظریه صف.
1- مقدمه
اینترنت اشیا 2(IoT) نقش مهمی در فناوری‌های ارتباطی بر عهده دارد. با افزایش تعداد وسایل متصل به اینترنت، داده‌های زیادی نیز تولید می‌شوند. انتقال و پردازش این داده‌ها نیاز به مصرف انرژی زیادی دارد. پردازش ابری یکی از تکنولوژی‌هایی است که باعث رشد اینترنت اشیا در زمینه پردازش اطلاعات شده است. با این حال پردازش ابری دارای چالش‌هایی از جمله تأخیر و مصرف پهنای باند می‌باشد. پردازش مه3، تکمیل‌کننده پردازش ابری4 است. با استفاده از شبکههای نرمافزارمحور و جداسازی سطح کنترل از سطح داده، می‌توان بعضی از پردازش‌ها را در سطح داده در مجاورت حسگرها و سوئیچ‌های مربوطه به عنوان مه و بعضی از آن را با در نظر گرفتن تأخیر در ابر انجام داد [1]. در این معماری، ابر همان کنترل‌کننده می‌باشد. پردازش در ابر بدون محدودبودن وسایل ذخیره‌سازی و پردازشی انجام میشود.
در نتیجه ترکیب مه و محاسبات ابری در اینترنت اشیا که توسط شبکههای نرمافزارمحور 5(SDN) تسهیل شده است، مزایای قابل توجهی را ارائه می‌دهد. ادغام محاسبات مه نزدیک‌تر به لبه شبکه تأخیر را کاهش می‌دهد، عملکرد سیستم را بهبود می‌بخشد و پردازش بلادرنگ را ممکن می‌سازد. رایانش ابری قابلیت‌های ذخیره‌سازی و پردازش مقیاس‌پذیر را فراهم می‌کند. شبکههای نرمافزارمحور نقش مهمی را در مدیریت و بهینهسازی منابع شبکه، تضمین اتصال یکپارچه و افزایش امنیت ایفا می‌کنند. به طور کلی این ادغام فرصتی برای افزایش اتصال، کارایی و نوآوری در قلمرو اینترنت اشیاست [2].
با توجه به حجم بالای داده‌های تولیدشده در دستگاه‌های هوشمند، چالش‌هایی از جمله مصرف باتری، توان، فضای ذخیره‌سازی و پهنای باند مطرح هستند که همگی جزء موانع کیفیت سرویس شبکه می‌باشند. در شبکهها با داده‌های بزرگ، حجم، سرعت و تنوع داد‌ها و بعد جغرافیایی مسائلی هستند که باعث میشود پردازش ابری همیشه بهترین گزینه نباشد. محاسبات مه به‌عنوان تکمیل‌کننده محاسبات ابری می‌تواند راه‌حلی برای کاهش زمان پاسخ که یکی از اهداف شبکه است، باشد [3]. در این راه‌حل تا جایی که ممکن است باید درخواست‌ها در مه انجام شوند.
مه از توانایی محاسباتی نزدیک کاربران نهایی استفاده می‌کند. با انجام سرویس‌ها در مه می‌توان به تأخیر پایین دست پیدا کرد [4]. در شبکههای اینترنت اشیای نرمافزارمحور، اولین مسأله برای کاهش تأخیر و بهبود زمان پاسخ، توزیع محاسبات به صورت بهینه می‌باشد. اینکه کدام گره‌ها مسئول محاسباتی کدام گره باشد، مهم است. این مسأله به عنوان توزیع محاسباتی غیرمتمرکز شناخته میشود [5]. دومین مسأله، کنترل‌کننده نرمافزارمحور می‌باشد که مسیریابی بهینه را برنامه‌ریزی می‌نماید. مکان کنترل‌کننده با توجه به تعداد پیام‌های ردوبدل‌شده مهم است. این مسأله به عنوان محل قرارگیری کنترل‌کننده‌ها اهمیت پیدا می‌کند. حل هر دوی این مسائل به بهینهسازی زمان تأخیر منجر میشود [6]. در این پژوهش تمرکز بیشتر بر روی مسأله اول می‌باشد؛ اینکه سرویس‌ها روی چه وسیله‌ای اجرا شوند. اجرای سرویس به صورت محلی در مه انجام شود
یا اینکه به کنترل‌کننده در ابر فرستاده شود. مسأله دوم به دلیل تعداد
یک عدد کنترل‌کننده دارای مکان مشخص در ابر، در این پژوهش نمود پیدا نمی‌کند.
برای مقایسه اهداف شبکه‌هایی با این موارد، کاربرد خانه هوشمند با
دو هدف سلامتی و روشنایی مورد مقایسه قرار می‌گیرد. فناوری خانه هوشمند بر اساس اصل اینترنت اشیا عمل می‌کند. این یک مفهوم جدید است که به دستگاه‌هایی اشاره دارد که به شکل شبکه به یکدیگر متصل شده و قادر به برقراری ارتباط با یکدیگر برای انجام وظایف هستند. دستگاه‌های مختلف می‌توانند به روش‌های مختلف با یکدیگر ارتباط برقرار کنند. رایج‌ترین راه از طریق اتصالات شبکه بی‌سیم یا وای‌فای است، اما می‌تواند از طریق امواج رادیویی و سیم‌کشی نیز باشد. شبکه می‌تواند از ترکیبی از این موارد استفاده کند؛ برای مثال استفاده از سیم‌کشی برای زمانی که وای‌فای خاموش است، بسیار کاربردی است. نوآوری‌های این مقاله عبارتند از
1) ارائه معماری جدید بر اساس محاسبات ابر و مه
2) مدل‌سازی معماری با استفاده از نظریه صف
3) کاهش زمان پاسخ و بررسی پارامترهای کیفیت سرویس شبکه با استفاده از آنالیز ریاضی
2- تاریخچه
در ادامه تعدادی از مقالات مطالعه‌شده در این زمینه بیان می‌گردد.
در [7] مبارکعلی و همکاران از شبکه مه به عنوان شبکه‌ای که نقش اساسی در انتقال و توزیع داده‌ها در اینترنت اشیا دارد، به عنوان لایه میانی بین ابر و اشیا به منظور افزایش سرعت برای برنامههای حساس به زمان یاد کردهاند. برای نظارت بر این شبکهها از شبکههای نرمافزارمحور و مکانیزم مجازی‌سازی استفاده شده است. در این مقاله با استفاده از پیش‌بینی و به‌کارگیری الگوریتمهای انتقال برنامههای حساس به تأخیر، به کاهش تأخیر دست یافته‌اند.
در استفاده از شبکه مه- ابر، مصرف انرژی و تأخیر ارتباطی، مواردی هستند که در [8] توسط باباعلی و همکاران به آن توجه شده است. در این مقاله از روش 6VSFC در شبکههای مه به منظور کاهش تأخیر استفاده شده است، به طوری که با استفاده از منابع محاسباتی در لبه، مصرف انرژی شبکه و تأخیر را کاهش داده و همچنین با اضافه‌کردن افزونه‌ای به شبیه‌ساز iFogSim روش پیشنهادی خود را مورد ارزیابی قرار داده‌اند.
در [9] شاه‌منصوری و همکاران به بررسی محاسبات سلسله‌مراتبی شبکه مه و شبکه ابری برای دستگاه‌ها و سیستم‌های اینترنت اشیا با استفاده از تئوری بازی پرداخته‌اند. شبکه مه به منظور کاهش تأخیر و ترافیک زیرساخت7 شبکه استفاده شده است، ولی مدیریت منابع در این شبکهها یکی از چالش‌های مهم است. علاوه بر این در شبکه مه هر کاربر به‌طور خودخواهانه سعی در رسیدن به کیفیت تجربه حداکثری برای خود بدون توجه به کاربران دیگر و اولویت‌های آنها دارد. برای حل این چالش و به منظور افزایش رضایتمندی کاربران از خدمات ارائه‌شده، از محاسبات تخلیه بار ترافیکی8 بهره گرفته شده که در آن هر گره اینترنت اشیا می‌تواند یکی از شبکههای مه و یا شبکه ابر را با توجه به کیفیت خدمات مورد نظرش انتخاب کند. مراحل اجرای طرح پیشنهادی به این صورت انجام گرفته که ابتدا برای رسیدن به مقدار حداکثری کیفیت تجربه9، مسأله فرموله شده تا تصمیمات تخلیه بار ترافیکی برای هر کاربر اتخاذ گردد. در این مقاله منظور از کیفیت تجربه، کاهش تأخیر و انرژی محاسباتی می‌باشد. سپس برای تمامی کاربران به منظور تشخیص انتخاب درست، تخلیه بار ترافیکی، مدل بازی و ویژگی‌هایش فرموله شده و آنالیز شده است و در ادامه تعادل نش با توجه به رشد تعداد کاربران جهت کاهش تأخیر به کار گرفته شده است.
ونگ و همکاران [10] یک شبکه محاسباتی سه‌لایه با استفاده از ارتباط عمودی بین دستگاه‌ها، گره‌های لبه و سرویس‌دهنده‌های ابری با روش جهت متناوب ضرایب و تفاوت برنامه‌نویسی محدب در نظر گرفته‌اند. لی و همکاران [11] بر بهینهسازی محاسبه و تخصیص منابع ارتباطی در شبکههای اینترنت اشیای بی‌سیم مبتنی بر محاسبات مه با دسترسی چندگانه غیرمتعامد متمرکز شده‌اند. طرح پیشنهادی آنها تصمیم بهینه برای انتخاب حالت محاسبات مناسب است. مسأله بهینهسازی فرموله‌شده یک مسأله بهینهسازی غیرخطی عدد صحیح مختلط است و سپس الگوریتم ژنتیک بهبودیافته برای حل آن معرفی شده است.
باروس و همکاران [12] از محاسبات مه با تأخیر کم برای انجام کنترل انرژی الکتریکی در میکروشبکه استفاده کردند. محاسبات مه ارائه‌شده با خدمات مدیریتی از جمله کنترل‌کردن و الگوریتمهای برنامه‌ریزی برای لوازم خانگی به منظور کاهش مبلغ قبض با محاسبات مشتق یکپارچه متناسب است.
کاراتاس و همکاران [13] محاسبات ابر و مه را برای قراردادن و سرویس‌دهی کارآمد داده‌های اینترنت اشیا ارائه داده‌اند. راهبردهای قراردادن داده‌ها و الگوریتم‌هایی برای کاهش تأخیر متوسط که توسط برنامههای کاربردی وابسته به رده‌بندی داده‌ها استفاده میشود، با استفاده از واحدهای محاسباتی مه انجام شده است.
نگوین و همکاران [14] الگوریتم بهینه با پیچیدگی کم را برای بارگذاری محاسبات مشترک و تخصیص منابع برای سیستم محاسبات ابری متحرک مبتنی بر چندورودی، چندخروجی با در نظر گرفتن اطلاعات حالت کانال ایجاد کردند. الگوریتمهای بهینه و با پیچیدگی کم برای حل برنامه‌نویسی غیرخطی عدد صحیح مختلط اساسی ارائه شده است. ونگ و همکاران [15] بهینهسازی تصمیم بارگذاری، قابلیت محاسبات محلی و تخصیص منابع محاسباتی گره مه را در نظر گرفتند. آنها این مسأله را به دو زیرمسأله مستقل تجزیه کرده و یک الگوریتم تصمیم برای بارگذاری حداقل تأخیر مبتنی بر الگوریتمهای ژنتیک و شبیه‌سازی تبرید ارائه کردهاند. برای حل این مسأله برنامه‌نویسی غیرخطی عدد صحیح مختلط با پیچیدگی کم طراحی شده است.
ژوو و همکاران [16] مسأله منبع را بررسی کرده و یک مسأله بهینهسازی برای منبع را فرموله کردند تا مجموع وزنی تأخیرهای کاربران را مطابق با کاربردهای خواسته‌شده به حداقل برساند. همچنین الگوریتم مبتنی بر بازی ائتلاف در این مرجع پیشنهاد شده است.
فرجی و همکاران [17] یک چهارچوب محاسباتی توزیع‌شده برای مدیریت منابع خودمختار در زمینه محاسبات مه ارائه دادند. سپس آنها از
جدول 1: خلاصه‌ای از مطالعات انجام‌شده.
مرجع | مزایا | معایب |
[7] | کاهش تأخیر | عدم جداسازی برنامه برای مه و ابر |
[8] | کاهش تأخیر | انجام محاسبات در لبه شبکه |
[9] | کاهش ترافیک | عدم مدیریت منبع |
[10] | کاهش تأخیر | محاسبات زیاد |
[11] | تخصیص منابع به صورت بهینه | محاسبات زیاد |
[12] | کاهش داده عبوری به ابر | عدم داشتن اولویت |
[13] | اولویت‌دادن داده‌ها برای کاهش تأخیر | اولویت فقط بر اساس نوع داده |
[14] | پیچیدگی کم برای تخصیص منابع | تأخیر بررسی نشده است. |
[15] | محاسبات محلی و تخصیص منابع | محاسبات زیاد |
[16] | کاهش تأخیر بر اساس وزن | عدم مدیریت منبع |
[17] | محاسبات توزیع‌شده و مدیریت منابع | ازدحام شبکه |
[18] | استفاده از زمانبند برای انجام محاسبات | عدم اولویت |
[19] | کاهش هزینه کلی | عدم مدیریت منابع |
[20] | توزیع بار بر اساس حرکت وسایل | بررسی فقط در وسایل سیار |
[21] | تعادل بار بر اساس مصرف انرژی | بررسی فقط در وسایل سیار |
[22] | زمان‌بندی بر اساس حداقل‌کردن مصرف انرژی | عدم اولویت |
یک سیستم تأمین خدمات اینترنت اشیا مبتنی بر حلقه کنترل (پایش، تجزیه و تحلیل، برنامه‌ریزی، اجرا و دانش) به همراه یک روش یادگیری تقویت‌کننده و پشتیبانی از روش رگرسیون برداری استفاده کردند. کیشور و همکاران [18] بهمنظور افزایش کیفیت سرویس و کاهش زمان پاسخ در برنامههای حساس به زمان، یک زمانبند فراابتکاری با استفاده از الگوریتم بهینهسازی کلونی مورچهها که از طبیعت الهام گرفته شده است، در محیط مه ارائه کردهاند. این الگوریتم باعث میشود زمان پاسخ نسبت به الگوریتمهای مقایسهشده در مقاله کاهش داده شود. در [19] تا [21] که در محیط مه شبیه‌سازی گردیده‌اند، به ترتیب هزینه کلی دستگاه کاربر، نسبت تحویل بسته و مقدار کل انرژی و انحراف بار، بهینه شده است.
عزیزی و همکاران [22] به‌صورت ریاضی مسأله زمان‌بندی کار را برای به حداقل رساندن مصرف انرژی کل گره‌های مه در حالی که الزامات کیفیت خدمات وظایف اینترنت اشیا را برآورده می‌کند، فرموله کردند. همچنین به حداقل رساندن زمان نقص مهلت در مدل را در نظر گرفته‌اند. در مرحله بعد دو الگوریتم مبتنی بر نیمه‌حریص، یعنی نیمه‌حریص آگاه از اولویت و نیمه‌حریص عدم آگاهی از اولویت با الگوریتم چندشروعی را برای ترسیم کارآمد وظایف اینترنت اشیا به گره‌های مه پیشنهاد دادند. جدول 1 خلاصه‌ای از تحقیقات مطالعه‌شده را نشان می‌دهد.
3- روش پیشنهادی و معماری سیستم
این پژوهش برای حل‌کردن مسأله توزیع محاسباتی غیرمتمرکز در جهت بهبود زمان پاسخ به مکان اجرای سرویس‌ها می‌پردازد. بعضی از سرویس‌ها به صورت محلی در مه اجرا می‌شوند و اجرای بعضی دیگر به ابر محول میشود. سرویس‌های سبک‌وزن و سرویس‌هایی که به تعداد زیاد تقاضا می‌شوند، بهتر است به صورت محلی اجرا شود و تأخیر تقریباً صفر دارند. سرویس‌های دیگر به ابر فرستاده می‌شوند.
انتخاب بین اجرای محلی که در این پژوهش اجرا در مه نامیده می‌شوند و اجرا در ابر، بر اساس زیر انتخاب میشود:
- اگر مجموع تأخیر ارسال سرویس به ابر و زمان اجرای آن در ابر از زمان اجرای سرویس در مه بیشتر باشد، در مه انجام میشود.
- اگر مجموع تأخیر ارسال سرویس به ابر و زمان اجرای آن در ابر از زمان اجرای سرویس در مه کمتر باشد، در ابر انجام میشود.
علاوه بر تأخیر برای اجرای سرویس در مه باید محدودیت‌های دیگر نیز در نظر گرفته شود؛ زیرا ممکن است مه انرژی کافی برای انجام پردازش را نداشته باشد. هرچند که از لحاظ تأخیر، بهتر است سرویس به‌صورت محلی انجام شود؛ بنابراین در الگوریتم پیشنهادی علاوه بر تأخیر باید انرژی مصرفی نیز محاسبه گردد.
در بخش بعد، معماری سیستم روش پیشنهادی بیان میشود.
3-1 معماری پیشنهادی
در این پژوهش، معماری جدیدی از اینترنت اشیا بر اساس مه و ابر ارائه شده است. به علت اینکه تمرکز اصلی روی کاربردهایی از سلامتی و روشنایی می‌باشد و ممکن است حسگرهایی از اینترنت اشیا سیار و تعدادی ثابت باشند، بنابراین باید معماری‌ای ارائه شود که برای هر دو نوع حسگر بهینه باشد. در این معماری سه حالت انتقال وجود دارد: حسگر اینترنت اشیا به حسگری دیگر، مه به ابر و بالعکس و حسگر به ابر یا مه و بالعکس. با توجه به حرکت تعدادی از حسگرها، خوشه‌های مه تشکیل میشود. هر خوشه سرویس را برای حسگر در محدوده خود تأمین می‌کند؛ بنابراین از انتقال داده سرویس در شبکه جلوگیری میشود. پردازش سرویس در خوشه، توسط کنترل‌کننده مه انجام میشود [23]. این کنترل‌کننده مرکز تصمیم‌گیری مه است که منابع ناهمگن را بر اساس نوع سرویس مختلف اختصاص می‌دهد و همچنین فشار بار کاری را از روی کنترل‌کننده مرکزی ابر کاهش داده و تصمیمات بدون وقفه را در مجاورت حسگرهای اینترنت اشیا می‌گیرد. کنترل‌کننده مرکزی ابر، مرکز کنترل عمومی است که در ابر قرار گرفته است. این کنترل‌کننده، شبکه را مدیریت می‌کند و قوانین سرویس و سیاست‌ها را برای کنترل‌کننده مه ارسال می‌کند. زمانی که منابع محاسباتی در مه کافی نباشد، کنترل‌کننده ابر سرویس را انجام می‌دهد یا به کنترل‌کننده مه مجاور این سرویس را محول می‌کند. استفاده از مدل کنترل‌کننده دولایه‌ای (مه و ابر)، مدیریت و پیکربندی را ساده می‌کند و کارایی را بهبود داده و باعث گسترش سیستم میشود [24]. انجام خوشه‌بندی مه بر اساس برد کنترل‌کننده مه می‌باشد که تا چند متر اطراف خود می‌تواند داده‌ها را دریافت کند. اگر حسگری در برد هیچ کدام از کنترل‌کننده‌های مه قرار نگیرد، مستقیماً تقاضای سرویس را به ایستگاه پایه با پوشش وسیع ارسال می‌کند و آن را به نزدیک‌ترین کنترل‌کننده خوشه مه ارسال می‌کند. شکل 1 معماری سیستم پیشنهادی را نشان می‌دهد که در آن، حسگرها و کنترل‌کننده
مه در سطح داده و کنترل‌کننده ابر در سطح کنترل قرار می‌گیرند. کنترل‌کننده اصلی در شبکه نرمافزارمحور که کنترل‌کننده SDN نامیده میشود، در ابر وجود دارد. به همین دلیل در این معماری ابر در سطح کنترل پوشش داده میشود.
3-2 سناریوی پیشنهادی
سناریوی پیشنهادی، دیدی دیگر از معماری پیشنهادی را بررسی می‌کند. هر دید با یک لایه نشان داده میشود. ارتباطات بین این لایه‌ها با خطوط مشخص شده است. شکل 2 مربوط به این سناریو است.
در سناریوی پیشنهادی، 3 لایه در نظر گرفته شده است. لایه فیزیکی، قسمت‌های فیزیکی سیستم را نشان می‌دهد. تمامی وسایل سخت‌افزاری در این لایه قرار می‌گیرند. لایه شبکه، شامل سوئیچ‌های نرمافزارمحور و
شکل 1: معماری سیستم پیشنهادی.
شکل 2: سناریو و دید پیشنهادی لایه‌ها.
کنترل‌کننده است. این لایه مسئول ارتباطات درون‌شبکه‌ای میشود. لایه محاسبات که مهم‌ترین لایه بر اساس روش پیشنهادی است، نحوه انجام محاسبات و وسایل درگیر را نشان می‌دهد. با توجه به انجام محاسبات در مه یا ابر، این لایه شامل کنترل‌کننده ابر و کنترل‌کننده مه می‌باشد که محاسبات در اولی به عنوان محاسبات در ابر و پردازش در دومی به عنوان مه شناخته میشود. زمان پاسخ (تأخیر کلی) در این سناریو برابر با مجموع زمان اجرا (زمانی که سرویس اجرا میشود، چه به صورت محلی و چه در ابر) و تأخیر ارتباطی (زمانی که یک کامپیوتر با کامپیوتر دیگر ارتباط برقرار می‌کند) می‌باشد. الگوریتم پیشنهادی در لایه محاسبات انجام میشود. این الگوریتم بیشتر ارتباط بین لایه فیزیکی و لایه محاسبات است و مشخص می‌کند داده‌های وسایل فیزیکی باید از چه طریق پردازش شوند، به صورت محلی و در کنترل‌کننده مه باید محاسبات انجام شود و یا از طریق ارسال به ابر امکان‌پذیر است. لایه شبکه نیز در صورت ارسال به ابر استفاده میشود و ارتباطات بین لایه‌ای را نشان می‌دهد.
3-3 ساختار شبکه روش پیشنهادی
ساختار شبکه مدل پیشنهادی با پارامترهای مورد نیاز لیست‌شده در جدول 2 بیان شده است. با توجه به پارامترهای موجود در جدول، مکان اجرای سرویس مهم است. علاوه بر در نظر گرفتن تأخیر برای کاهش زمان پاسخ در کاربردهای اینترنت اشیا، باید انرژی مورد نظر را برای انجام سرویس در نظر گرفت. منابع محاسباتی برای انجام سرویس در مه باید به قدر کافی باشند تا قابل انجام باشد؛ در غیر این صورت به ابر واگذار می‌گردد. تأخیر و انرژی محاسبات در مه و ابر توسط معادلات زیر در روش پیشنهادی به دست می‌آید.
اگر سرویسی به صورت محلی (مه) اجرا شود، تأخیر ارتباط در لایه شبکه وجود ندارد و فقط تأخیر در لایه محاسبات محاسبه میشود. به دلیل اینکه کنترل‌کننده مه در نزدیکی حسگرها قرار دارد، تقریباً تأخیر ایجادشده برابر صفر در نظر گرفته شده است. در این صورت تأخیر در مه با استفاده از (1) به دست می‌آید
جدول 2: پارامترهای مورد نیاز برای روش پیشنهادی.
توضیح | |
| نرخ سرویس ارسال |
| نرخ ورودی ارسال |
| طول داده فراسو |
| نرخ فراسو |
| فاصله تا ابر |
| سرعت فراسو |
| تعداد چرخه پردازش در ابر |
| نرخ چرخه پردازش ابر |
| نرخ سرویس دریافت |
| نرخ ورودی دریافت |
| طول داده فروسو |
| نرخ فروسو |
| سرعت فروسو |
| نرخ سرویس در کل کنترل‌کننده‌های مه |
| نرخ ورودی به کل کنترل‌کننده‌های مه |
| تعداد چرخه پردازش در مه |
| نرخ چرخه پردازش در مه |
| انرژی مصرفی در هر چرخه |
| انرژی مصرفی برای ارسال یک بیت |
| انرژی برای دریافت یک بیت |
| انرژی مصرفی پردازش در مه |
| تأخیر در مه |
| انرژی مصرفی پردازش در ابر |
| تأخیر در ابر |
(1)
زمان تأخیر در مه از مجموع تأخیرهای صف و پردازش تشکیل میشود. تأخیر صف از معکوس تفریق نرخ ورودی 
و نرخ سرویس 
به دست می‌آید. تأخیر پردازش برابر با تقسیم تعداد چرخه‌های پردازشی مورد نیاز (هر سرویس ممکن است در چند چرخه انجام شود) برای پردازش محاسبات 
بر نرخ انجام چرخه‌های پردازشی 
در مه است.
انرژی مصرفی در مه وابسته به تعداد پردازش‌ها و انرژی لازم برای انجام هر پردازش می‌باشد. مه باید منابع محاسباتی مورد نیاز برای انجام سرویس را داشته باشد. یکی از این منابع، انرژی است. انرژی مصرفی برای پردازش در مه از (2) به دست می‌آید
(2)
انرژی مصرفی برای پردازش در مه از ضرب تعداد چرخه انجام‌شده برای محاسبات در انرژی مصرفی برای انجام هر چرخه به دست می‌آید. با توجه به اینکه برای کاهش زمان پاسخ، بهتر است سرویس‌ها در مه پردازش شوند، ولی هر گره به دلیل محدودیت انرژی ممکن است سرویس را اجرا نکند و به ابر ارسال کند.
در صورتی که انرژی مصرفی برای پردازش در مه از انرژی باقیمانده کنترل‌کننده مه کمتر باشد، در مه انجام میشود. تأخیر در ابر برابر با مجموع تأخیرهای موجود در لایه شبکه برای ارتباط وسایل و ارسال به ابر به علاوه تأخیر پردازش در ابر می‌باشد. میزان تأخیر به‌وجودآمده برای ارسال پیام‌ها به ابر از (3) به دست می‌آید
(3)
تأخیر برای رسیدن داده‌ها به ابر از چندین مورد تشکیل شده است. در این تأخیر، تأخیر صف، تأخیر انتقال، تأخیر انتشار در حالت فراسو و همچنین تأخیر صف، تأخیر انتقال و تأخیر انتشار در حالت فروسو به‌علاوه تأخیر پردازشی محاسبه شده است.
تأخیر صف می‌باشد. 
که از تقسیم طول داده فراسو به نرخ ارسال به دست می‌آید، تأخیر انتقال را محاسبه می‌کند. 
که تأخیر انتشار در حالت فراسو را نشان می‌دهد، از تقسیم فاصله تا ابر و سرعت فراسو به دست می‌آید. حالت فروسو نیز به همین ترتیب است. 
که تأخیر پردازش محاسبات در ابر را نشان می‌دهد، از تقسیم تعداد چرخه در ابر (هر سرویس ممکن است در چند چرخه انجام شود) به نرخ چرخه در ابر به دست می‌آید. ابر برخلاف مه محدودیت انرژی ندارد و هر تعداد چرخه و سرویس را می‌تواند پردازش کند.
انرژی مورد نیاز برای پردازش در ابر از (4) به دست می‌آید
(4)
این انرژی برای پردازش وابسته به لایه‌های شبکه و محاسبات می‌گردد. انرژی مصرفی پردازش در ابر برابر است با مجموع حجم داده ارسالی در حالت فراسو ضربدر انرژی مصرفی برای ارسال هر بیت و همچنین حجم داده دریافتی از فروسو ضربدر انرژی مصرفی برای دریافت هر بیت.
3-4 خوشه‌بندی و الگوریتم مسیریابی
به دلیل اینکه مسیریابی در الگوریتم پیشنهادی، الگوریتم Leach است و میزان مصرف انرژی در حالت ارسال و دریافت داده‌ها نیز بر اساس این الگوریتم می‌باشد، الگوریتم Leach توضیح داده میشود.
Leach یکی از الگوریتمهای مهم در مسیریابی می‌باشد که برای تعادل بار استفاده می‌گردد. این الگوریتم دارای دو فاز شکل‌گیری خوشه و فاز پایداری می‌باشد. سرخوشه به صورت تصادفی انتخاب می‌گردد. در فاز شکل‌گیری خوشه، هر گره، شانسی برای انتخاب‌شدن به عنوان سرخوشه دارد. این انتخاب به وسیله یک عدد تصادفی بین صفر و یک انجام می‌گیرد. رابطه (5) چگونگی تولید عدد تصادفی را نشان می‌دهد
(5)
که 
احتمال انتخاب گره سرخوشه، 
شماره دور، 
مقدار آستانه برای انتخاب سرخوشه و 
مجموعه گره‌هایی است که در 
دور آخر، سرخوشه نشده‌اند. در این الگوریتم اگر مقدار عدد تولیدشده تصادفی، کمتر از باشد، گره به عنوان سرخوشه انتخاب می‌گردد. بعد از مشخص‌شدن سرخوشه‌ها، گره‌های معمولی بر اساس شدت سیگنال دریافتی از سرخوشه‌ها به سرخوشه مورد نظر با توجه به بیشترین شدت سیگنال متصل می‌شوند. در فاز پایدار، اعضای خوشه داده‌های خود را به سرخوشه با استفاده از روش تقسیم زمانی 10(TDMA) ارسال می‌کنند و سپس داده به ایستگاه پایه ارسال میشود. با اینکه الگوریتم Leach مصرف انرژی را در شبکه توزیع می‌کند، ولی این پروتکل دارای 3 عیب اساسی می‌باشد: 1) پارامتر انرژی گره‌ها در نظر گرفته نمی‌شود. 2) سرخوشه به صورت مستقیم با ایستگاه پایه به وسیله ارتباطات تک‌گامی در ارتباط است، ولی فاصله ایستگاه پایه و سرخوشه در نظر گرفته نشده است. 3) سرخوشه در هر دور تغییر می‌کند و شبکه خوشه‌ها به‌روزرسانی میشود و بنابراین مصرف انرژی زیادی دارد [25]. انرژی مصرفی در حالت ارسال و دریافت در الگوریتم Leach برای ارسال 
بیت داده به فاصله 
به ترتیب با استفاده از (6) و (7) به دست می‌آید
(6)
(7)
رابطه (6) مصرف انرژی در حالت ارسال را نشان می‌دهد که وابسته به فاصله بین فرستنده و گیرنده می‌باشد. رابطه (7) مصرف انرژی در حالت دریافت را نشان می‌دهد [25]. مقادیر اولیه برای شبیه‌سازی این پارامترها در ادامه آورده شده است.
3-5 مدل معماری محاسباتی مه- ابر
3-5-1 توصیف مدل
همان طور که در قسمت قبل گفته شد، حسگرهای اینترنت اشیا درخواست‌های خود را برای پردازش، ابتدا به مه ارسال کرده و سپس با توجه به محدودیت‌های مه، یا در مه انجام شده یا به کنترل‌کننده ابر ارسال میشود. با توجه به درخواست‌های زیاد حسگرهای اینترنت اشیا و تأخیر پردازش مه، درخواست‌ها در صف پردازش مه قرار خواهند گرفت. این صف دارای حداکثر طول 
می‌باشد. اگر صف پر شده باشد، پیام‌ها گم می‌شوند. تعدادی درخواست با احتمال 
به دلیل وجود محدودیت مانند منابع محاسباتی، حافظه ذخیره‌سازی و ... باید به کنترل‌کننده ابر ارسال شوند و با احتمال 
درخواست انجام شده و نتیجه به ایستگاه پایه ارسال میشود. این صف در کنترل‌کننده مه قرار دارد و از نوع 
می‌باشد. هر کنترل‌کننده مه یک صف مجزا برای خود دارد و درخواست‌های محدوده خود را جمع‌آوری می‌کند. تعدادی درخواست که در کنترل‌کننده مه انجام نمی‌شوند به کنترل‌کننده ابر هدایت می‌شوند. در کنترل‌کننده ابر نیز صفی وجود دارد که به دلیل عدم وجود محدودیت در حداکثر تعداد درخواست‌ها در صف، از نوع 
در نظر گرفته شده است. بعد از رسیدن نوبت به درخواست و انجام آن، درخواست از سیستم خارج شده و به ایستگاه پایه ارسال میشود. پیام‌های ورودی با توزیع پواسون با نرخ ورودی 
توسط هر حسگر وارد صف می‌شوند. 
اندیس شماره حسگر است. معادله (8) نرخ کل ورودی را نشان می‌دهد
(8)
تعداد حسگرها در هر مه و بنابراین 
نیز بر اساس توزیع پواسون است. زمان‌های سرویس در هر کنترل‌کننده مستقل است و به صورت نمایی توزیع شده که نرخ میانگین آن 
می‌باشد. شکل 3 این مدل را نشان می‌دهد.
3-5-2 تحلیل مدل
در این بخش به تحلیل مدل‌سازی معماری پیشنهادی با استفاده از نظریه صف پرداخته میشود. برای هر کدام از کنترل‌کننده‌های مه و ابر صفی در نظر گرفته شده که در ادامه تجزیه و تحلیل میشود. پارامترهای مورد نیاز برای این صف‌ها در جدول 3 معرفی می‌شوند.
شکل 3: مدل صف در معماری پیشنهادی.
شکل 4: مدل صف کنترل‌کننده مه.
3-5-2-1 صف کنترل‌کننده مه
همان طور که در قسمت قبل گفته شد، هر کنترل‌کننده مه یک صف از نوع دارد و حداکثر مقدار طول صف می‌باشد. پیام تقاضا وارد صف میشود، مگر اینکه صف پر باشد. 
احتمال پایداری است که 
پیام تقاضا در 
امین کنترل‌کننده مه وجود دارد. شکل 4 صف مربوط به کنترل‌کننده مه از نوع را نشان می‌دهد. با توجه به اینکه تأخیر در کنترل‌کننده مه که در قسمت قبل گفته شد شامل تأخیر صف می‌باشد، در این قسمت این تأخیر مدل میشود.
با استفاده از (9) تا (14) احتمال حالت پایدار به دست می‌آید
(9)
(10)
(11)
(12)
(13)
(14)
احتمال حالت پایدار تقاضای پیام در کنترل‌کننده ام از (15) به دست می‌آید. با فرض 
(15)
نرخ فقدان پیام زمانی که 
پیام در صف هستند از (16) به دست می‌آید
(16)
میانگین کارایی سرویس از (17) به دست می‌آید
(17)
بهره‌وری کنترل‌کننده مه از (18) به دست می‌آید
(18)
تعداد میانگین تقاضاهای پیام در امین کنترل‌کننده مه از (19) به دست می‌آید
جدول 3: تعریف پارامترهای مورد نیاز برای تحلیل صف.
توضیح | |
| حداکثر طول صف |
| احتمال درخواست‌های ارسالی به ابر |
| نرخ ورودی درخواست از هر حسگر به کنترل‌کننده مه |
| نرخ سرویس درخواست هر کنترل‌کننده مه |
| احتمال حالت پایدار |
| نرخ فقدان پیام با وجود |
| میانگین کارایی سرویس |
| بهره‌وری کنترل‌کننده مه |
| تعداد میانگین تقاضاهای پیام در |
| میانگین تعداد کنترل‌کننده‌های مه مشغول انجام سرویس پیام تقاضا |
| میانگین تعداد پیام‌های منتظر در |
| میانگین زمان انتظار پیام تقاضای سرویس در |
| میانگین زمان پاسخ پیام تقاضای سرویس در |
| نرخ تقاضای پیام ورودی به کنترل‌کننده ابر |
| احتمال حالت پایداری با وجود |
| میانگین تعداد پیام موجود در صف ابر |
| میانگین درخواست‌های منتظر در صف ابر |
| میانگین کارایی سرویس در کنترل‌کننده ابر |
| بهره‌وری صف ابر |
| میانگین زمان انتظار در کنترل‌کننده ابر |
| میانگین زمان پاسخ درخواست در کنترل‌کننده ابر |
(19)
میانگین تعداد کنترل‌کننده‌های مشغول انجام سرویس پیام تقاضا از (20) به دست می‌آید
(20)
میانگین تعداد پیام‌های منتظر در امین کنترل‌کننده مه از (21) به دست می‌آید
(21)
میانگین زمان انتظار پیام تقاضای سرویس در امین کنترل‌کننده مه از (22) به دست می‌آید
(22)
میانگین زمان پاسخ پیام تقاضای سرویس در امین کنترل‌کننده مه از (23) به دست می‌آید
(23)
3-5-2-2 صف کنترل‌کننده ابر
اگر تقاضایی در کنترل‌کننده مه انجام نشود، به کنترل‌کننده ابر ارسال می‌گردد. یک تقاضای پیام با احتمال به کنترل‌کننده ابر ارسال میشود
شکل 5: مدل صف کنترل‌کننده ابر.
شکل 6: انرژی باقیمانده بدون استفاده از ابر و مه.
و با احتمال 
در کنترل‌کننده مه انجام میشود. صف مربوط به کنترل‌کننده ابر است. یک کنترل‌کننده ابر وجود دارد که تقاضاها را سرویس می‌دهد. نرخ تقاضای پیام که با فرایند پواسون به کنترل‌کننده ابر می‌رسند، 
می‌باشد. زمان‌های پردازش مستقل است و به صورت نمایی با نرخ میانگین 
توزیع شده است. صف در شکل 5 دیده میشود.
احتمال حالت پایدار سیستم، زمانی که هیچ درخواستی وجود ندارد از (24) به دست می‌آید
(24)
احتمال حالت پایداری، زمانی که تقاضا در سیستم وجود دارد از (25) به دست می‌آید. با فرض 
(25)
میانگین تعداد پیام که در صف وجود دارد از (26) به دست می‌آید
(26)
میانگین درخواست‌های منتظر در صف توسط (27) به دست می‌آید
(27)
میانگین کارایی سرویس در کنترل‌کننده ابر توسط (28) به دست می‌آید
(28)
بهره‌وری صف در زمانی که صف خالی نیست از (29) به دست می‌آید
(29)
میانگین زمان انتظار در کنترل‌کننده ابر برای درخواستی که وارد شده است توسط (30) به دست می‌آید
جدول 4: مقادیر مورد نیاز پارامترها برای شبیه‌سازی.
پارامترها | |
100 | تعداد حسگرها |
1 | کنترل‌کننده در ابر |
4000 بیت | اندازه بسته |
1 ژول | انرژی اولیه |
nj/bit 50 |
|
2pj/bit.m 5 |
|
2fj/bit.m 3/1 |
|
| محیط شبکه |
4500 ثانیه | مدت شبیه‌سازی |
Fifo | نوع صف |
200 بسته | اندازه صف |
Omni antenna | نوع آنتن |
(30)
میانگین زمان پاسخ درخواست در کنترل‌کننده ابر توسط (31) به دست می‌آید
(31)
4- ارزیابی کارایی
در این قسمت نمودارهای مقایسه با توجه به محیط شبیه‌سازی بررسی می‌شوند.
4-1 مشخص‌کردن پارامترها
در اين بخش با استفاده از شبیه‌سازی کامپیوتری، کارايي الگوريتم پیشنهادی نشان داده مي‌شود. برای رسیدن به اين هدف، شبکه‌ای ساده متشکل از100 گره و 1 کنترل‌کننده، تولید شده که در آن گره‌ها به‌صورت تصادفي توسعه داده شده‌اند. شبیه‌سازی در سیستم عامل 10Ubuntu توسط شبیه‌ساز 2ns روی نسخه ماشین مجازی 13vmware انجام شده است. جدول 4 تمامي پارامترها و مقادير مورد نیاز شبیه‌سازی را لیست کرده است.
4-2 آنالیز کارایی
برای نشان‌دادن تأثیر ابر در محاسبات در شبکههای اینترنت اشیای مبتنی بر نرم‌افزار، نمودارهای مربوط به مصرف انرژی و تأخیر بررسی شده‌اند؛ زیرا برای دو کاربرد خانه هوشمند، سلامتی و روشنایی به ترتیب پارامترهای تأخیر و انرژی دارای اهمیت بالایی هستند. در هر دو مورد از الگوریتم مسیریابی Leach برای مسیریابی استفاده می‌گردد.
شکل 6 انرژی باقیمانده دو کاربرد را در حالت بدون استفاده از ابر نشان می‌دهد. تمامی محاسبات در کنترل‌کننده انجام میشود و به دلیل اینکه تعداد پیام‌های ارسالی به کنترل‌کننده زیاد می‌باشد، انرژی مصرفی بیشتر است. کاربرد روشنایی و سلامتی نیز فرقی نمی‌کند.
شکل 7 انرژی باقیمانده در دو کاربرد با استفاده از ابر می‌باشد. به دلیل اینکه انرژی در کاربرد روشنایی اهمیت دارد، با توجه به مقدار پیام‌ها سعی
شکل 7: انرژی باقیمانده با استفاده از ابر و مه.
شکل 8: تأخیر بدون استفاده از ابر و مه.
شکل 9: تأخیر با استفاده از ابر و مه.
می‌کند محاسبات را در ابر انجام دهد. با فرض اینکه مقدار انرژی مصرفی در ارسال پیام از انجام محاسبات کمتر است. برای کاربرد سلامتی نیز به دلیل اهمیت تأخیر، اگر انرژی گره به حدی است که بتواند جوابگوی محاسبات باشد، در مه انجام میشود که تأخیر کمتری را متحمل گردد.
شکل 8 تأخیر را بدون استفاده از ابر نشان می‌دهد. در این حالت بدون در نظر گرفتن کاربرد بسته‌ها، تمامی بسته‌ها و محاسبات در مه پردازش می‌شوند؛ بنابراین تأخیر پایین است. شکل 9 تأخیر را در دو کاربرد با
شکل 10: انرژی باقیمانده در کاربرد روشنایی.
شکل 11: انرژی باقیمانده در کاربرد سلامتی.
استفاده از ابر نشان می‌دهد. به دلیل اینکه تأخیر برای کاربرد سلامتی دارای اهمیت بالایی است، محاسبات در مه انجام میشود تا سریع‌تر پردازش گردد؛ بنابراین تأخیر پایین‌تر است. ولی برای کاربرد روشنایی به دلیل کم‌اهمیت‌بودن تأخیر تا جای ممکن محاسبات در ابر انجام میشود و بنابراین دارای تأخیر بالاتری می‌باشد.
شکل 10 انرژی باقیمانده را برای کاربرد روشنایی در دو حالت استفاده از ابر و بدون استفاده از آن نشان می‌دهد. همان طور که در نمودار دیده میشود، انرژی باقیمانده برای حالت استفاده از ابر بیشتر می‌باشد؛ زیرا حسگرها انرژی خود را برای پردازش صرف نمی‌کنند و پیام‌ها در کنترل‌کننده پردازش میشود.
شکل 11 انرژی باقیمانده برای کاربرد سلامتی در دو حالت را نشان می‌دهد. در کاربرد سلامتی چون تأخیر اهمیت دارد، بیشتر محاسبات در گره انجام میشود. در هر حالت با و بدون استفاده از ابر، ترجیح به پردازش در گره است. انرژی باقیمانده در حالت استفاده از ابر بیشتر می‌باشد؛ زیرا بعضی از بسته‌ها و برنامه‌ها که محدودیت تأخیر آنها به حدی هست که در ابر انجام شود، این کار به ابر سپرده میشود ولی بدون استفاده از ابر، تمامی محاسبات در گره است.
شکل 12 تأخیر را برای کاربرد سلامتی در دو حالت با استفاده از ابر و بدون آن نشان می‌دهد. تأخیر در استفاده از ابر بیشتر است؛ زیرا تعدادی برنامه‌ها در ابر انجام می‌شوند، بدون این که در پارامتر تأخیر در آن برنامه مشکلی پیش آید.
شکل 13 تأخیر برای روشنایی را نشان می‌دهد. در کاربرد روشنایی با استفاده از ابر، تمامی پیام‌ها برای ابر ارسال شده و پردازش در ابر اتفاق می‌افتد؛ بنابراین در این حالت نسبت به حالت بدون استفاده از ابر، دارای تأخیر بالایی می‌باشد.
شکل 12: تأخیر در کاربرد سلامتی.
شکل 13: تأخیر در کاربرد روشنایی.
5- نتيجه‌گيري
این پژوهش با توجه به معماری پیشنهادی برای شبکههای اینترنت اشیای نرمافزارمحور و استفاده از ابر و مه به کاهش زمان پاسخ درخواست‌ها می‌پردازد. زمان پاسخ علاوه بر تأخیر پردازش به تأخیر ارتباطات هم وابسته است. سناریوی پیشنهادی و دیدی دیگر از معماری که در این پژوهش به آن اشاره میشود، به درک زمان پاسخ کمک می‌کند. در ادامه با استفاده از نظریه صف، مدل را برای محاسبات ابر و
مه تحلیل کرده و کیفیت سرویس‌های مورد انتظار شبکه را با استفاده
از فرمول‌های ریاضی به دست می‌آورد. برای شبیه‌سازی با استفاده از نرم‌افزار 2NS تأخیر و انرژی باقیمانده را توسط نمودارها نشان داده و مقایسه می‌کند. در این نمودارها تأثیر استفاده از محاسبات ابری و مه برای اینترنت اشیا آمده است. این مقایسه در کاربردهای مختلف اینترنت اشیا، حساس به تأخیر (سلامتی) و غیرحساس به تأخیر (روشنایی) نشان داده شده است.
مراجع
[1] M. R. Rezaee, N. A. W. Abdul Hamid, M. Hussin, and Z. A. Zukarnain, "Fog offloading and task management in IoT-fog-cloud environment: review of algorithms, networks, and SDN application," IEEE Access, vol. 12, pp. 39058-39080, 2024.
[2] A. Khakimov, et al., "IoT-fog based system structure with SDN enabled," in Proc. of the 2nd In. Conf. on Future Networks and Distributed Systems, ArticleID: 62, 6 pp., Jun. 2018.
[3] R. Mahmud, R. Kotagiri, and R. Buyya, "Fog computing: a taxonomy, survey and future directions," In: Di Martino, B., Li, KC., Yang, L., Esposito, A. (eds) Internet of Everything Springer, Singapore, pp. 103-130, 2018.
[4] H. R. Arkian, A. Diyanat, and A. Pourkhalili, "MIST: fog-based data analytics scheme with cost-efficient resource provisioning for IoT crowdsensing applications," J. Netw. Comput. Appl., vol. 82, pp. 152-165, 15 Mar. 2017.
[5] V. Kumar, A. Laghari, S. Karim, M. Shakir, and A. A. Brohi, "Comparison of fog computing & cloud computing," Int. J. Math. Sci. Comput., vol. 5, no. 1, pp. 31-41, Jan. 2019.
[6] G. Javadzadeh and A. M. Rahmani, "Fog computing applications in smart cities: a systematic survey," Wireless Networks, vol. 26, no. 2, pp. 1433-1457, Feb. 2020.
[7] A. Mubarakali, et al., "Fog-based delay-sensitive data transmission algorithm for data forwarding and storage in cloud environment for multimedia applications," Big Data, vol. 11, no. 2, pp. 128-136, Apr. 2020.
[8] B. Ali, M. A. Pasha, S. ul Islam, H. Song, and R. Buyya, "A volunteer supported fog computing environment for delay-sensitive IoT applications," IEEE Internet Things J., vol. 8, no. 5, pp. 3822-3830, Sept. 2020.
[9] H. Shah-Mansouri and V. W. S. Wong, "Hierarchical fog-cloud computing for IoT systems: a computation offloading game," IEEE Internet Things J., vol. 5, no. 4, pp. 3246-3257, May 2018.
[10] Y. Wang, et al., "Cooperative task offloading in three-tier mobile computing networks: an ADMM framework," IEEE Trans. on Vehicular Technology, vol. 68, no. 3, pp. 2763-2776, Mar. 2019.
[11] X. Li, et al., "Optimizing resources allocation for fog computing-based Internet of Things networks," IEEE Access, vol. 7, pp. 64907-64922, 2019.
[12] E. Barros, et al., "Fog computing model to orchestrate the consumption and production of energy in microgrids," Sensors,
vol. 19, no. 11, Article ID: 2642, Jun. 2019.
[13] F. Karatas and I. Korpeoglu, "Fog-based data distribution service
(F-DAD) for internet of things (IoT) applications," Future Generation Computer Systems, vol. 93, pp. 156-169, Apr. 2019.
[14] T. Nguyen, L. Le, and Q. Le-Trung, "Computation offloading in MIMO based mobile edge computing systems under perfect and imperfect CSI estimation," IEEE Trans. on Services Computing,
vol. 14, no. 6, pp. 2011-2025, Jan. 2019.
[15] Q. Wang and S. Chen, "Latency‐minimum offloading decision and resource allocation for fog‐enabled Internet of Things networks," Trans. on Emerging Telecommunications Technologies, vol. 31,
no. 12, Article ID: 3880, Dec. 2020.
[16] J. Zhou, X. Zhang, and W. Wang, "Joint resource allocation and
user association for heterogeneous services in multi-access edge computing networks," IEEE Access, vol. 7, pp. 12272-12282, 2019.
[17] M. Faraji Mehmandar, S. Jabbehdari, and H. Haj Seyyed Javadi,
"A dynamic fog service provisioning approach for IoT applications," International J. of Communication Systems, vol. 33, no. 14, Article ID: e4541, Jul. 2020.
[18] A. Kishor and C. Chakarbarty, "Task offloading in fog computing for using smart ant colony optimization," Wireless Personal Communications, vol. 127, no. 2, pp. 1683-1704, Nov. 2022.
[19] W. Bai, et al., "Joint optimization of computation offloading, data compression, energy harvesting, and application scenarios in fog computing," IEEE Access, vol. 9, pp. 45462-45473, 2021.
[20] A. R. Hameed, S. Islam, I. Ahmad, and K. Munir, "Energy-and performance-aware load-balancing in vehicular fog computing," Sustainable Computing: Informatics and Systems, vol. 30, Article ID: 100454, Jun. 2020.
[21] R. Qun and S. M. Arefzadeh, "A new energy‐aware method for load balance managing in the fog based vehicular ad hoc networks (VANET) using a hybrid optimization algorithm," IET Communications, vol. 15, no. 13, pp. 1665-1676, Aug. 2021.
[22] S. Azizi, et al., "Deadline-aware and energy-efficient IoT task scheduling in fog computing systems: a semi-greedy approach," J. of Network and Computer Applications, vol. 201, Article ID: 103333, May 2022.
[23] M. Anoushee, M. Fartash, and J. Akbari Torkestani, "An intelligent resource management method in SDN based fog computing using reinforcement learning," Computing, vol. 106, no. 4, pp. 1051-1080, Apr. 2024.
[24] P. Linh-An, N. Duc-Thang, L. Meonghun, D. Park, and T. Kim, "Dynamic fog-to-fog offloading in SDN-based fog computing systems," Future Generation Computer Systems, vol. 117, pp. 486-497, Apr. 2021.
[25] W. R. Heinzelman, A. Chandrakasan, and H. Balakrishnan, "Energy-efficient communication protocol for wireless microsensor networks," in Proc. of the 33rd Annual Hawaii Int. Conf. on System Sciences, vol. 2, 10 pp., Maui, HI, USA, 7-7 Jan. 2000.
الهام حاجیان تحصيلات خود را در مقاطع كارشناسي و كارشناسي ارشد مهندسی کامپیوتر بهترتيب در سالهاي 1385 و 1389 از دانشگاه خوارزمی و دانشگاه اصفهان به پايان رسانده است و همچنین مدرک دکتری خود را از دانشگاه اصفهان در سال 1402 اخذ کرده است. او هم اكنون عضو هیأت علمی دانشكده فنی و مهندسی دانشگاه بجنورد ميباشد. زمينههاي تحقيقاتي مورد علاقه ايشان عبارتند از: شبکههای کامپیوتری بی‌سیم، شبکههای نرمافزارمحور، اینترنت اشیا و کیفیت سرویس در شبکهها.
[1] این مقاله در تاریخ 6 مرداد ماه 1403 دریافت و در تاریخ 13 بهمن ماه 1403 بازنگری شد.
الهام حاجیان، گروه مهندسی کامپیوتر، دانشگاه بجنورد، بجنورد، ايران،
(email: e.hajian@ub.ac.ir).
[2] . Internet of Things
[3] . Fog Computing
[4] . Cloud Computing
[5] . Software Defined Network
[6] . Volunteer Supported Fog Computing
[7] . Backbone
[8] . Offloading
[9] . Quality of Experience
[10] . Time Division Multiple Address